基于标签分布学习的偏标记分类研究综述.docVIP

基于标签分布学习的偏标记分类研究综述

一、偏标记分类的问题定义与现实场景适配

偏标记分类是弱监督学习领域的典型问题，其核心特征是训练样本的真实标签被隐藏在一个候选标签集合中，学习器无法直接获取样本的精确标签监督信息。与传统监督学习中每个样本对应唯一确定标签的设定不同，偏标记分类的训练数据标注成本显著降低，能够适配大量无法实现精确标注的现实场景。例如在图像语义标注任务中，标注者可能仅能判断某张风景图片包含“山”“水”“树木”中的部分元素，但无法确定哪个是核心标签；在生物信息学的蛋白质功能预测场景中，通过高通量实验得到的蛋白质功能候选集合往往包含多个潜在功能，真实功能需要通过后续实验验证，直接使用候选集合作为监督信息训练模型是更高效的选择；在音频事件检测任务中，复杂背景音下的音频片段可能对应“鸟鸣”“风声”“汽车鸣笛”等多个候选事件，真实事件难以直接判定。

常规偏标记分类的解决思路主要分为两种：一类是基于消歧的方法，即通过假设候选标签集合中真实标签的权重最高，在训练过程中迭代更新每个候选标签的置信度，逐步筛选出真实标签；另一类是基于标签嵌入的方法，通过将样本特征和标签空间映射到同一个低维空间，建立特征与候选标签集合的关联。但传统方法普遍存在一个显著缺陷：默认候选标签集合中仅存在一个真实标签，忽略了候选标签之间的相关性以及样本可能同时具备多个标签属性的情况，当候选标签之间存在语义重叠、或